如果你是一個(gè)生活在2003年的程序員，卻不了解字符、字符集、編碼和Unicode這些基礎(chǔ)知識(shí)。那你可要小心了，要是被我抓到你，我會(huì)讓你在潛水艇里剝六個(gè)月洋蔥來懲罰你。

這個(gè)邪惡的恐嚇是Joel Spolsky在十年前首次發(fā)出的。不幸的是，很多人認(rèn)為他只是在開玩笑，因此，現(xiàn)在仍有許多人不能完全理解Unicode，以及Unicode、UTF-8、UTF-16之間的區(qū)別。這就是我寫這篇文章的原因。

言歸正傳，設(shè)想在一個(gè)晴朗的下午，你收到一封電子郵件，它來自一個(gè)你高中之后就失去聯(lián)系的朋友，并帶有一個(gè)txt格式（也稱為純文本格式）的附件。這個(gè)附件包含下面這樣一串二進(jìn)制bits：

Email的正文是空的，這使它更加神秘。在你啟動(dòng)常用的文本編輯器打開這個(gè)附件之前，你有沒有想過，文本編輯器是怎么將二進(jìn)制形式翻譯成字符的？這其中有兩個(gè)關(guān)鍵問題：

1.字節(jié)是怎樣分組的？（例如1個(gè)字節(jié)的字符和2個(gè)字節(jié)的字符）

2.一個(gè)或多個(gè)字節(jié)是怎么映射到字符上的？

這些問題的答案就在這篇文檔（Character Encoding）中，大致說來，編碼定義了兩件事：

1.字節(jié)是怎么分組的，如8 bits或16 bits一組，這也被稱作編碼單元。

2.編碼單元和字符之間的映射關(guān)系。例如，在ASCII碼中，十進(jìn)制65映射到字母A上

字符編碼和字符集之間有微小的區(qū)別。不過通常它和你無關(guān)，除非你在設(shè)計(jì)一個(gè)底層的庫。

ASCII碼是上個(gè)世紀(jì)最流行的編碼體系之一，至少在西方是這樣。下圖顯示了ASCII碼中編碼單元是怎么映射到字符上的。

有一個(gè)即使在經(jīng)驗(yàn)豐富的程序員中也非常常見的誤解就是，純文本使用ASCII碼并且每個(gè)字符都是8 bits。

事實(shí)是，沒有這樣的「純文本」。如果在內(nèi)存或者硬盤中有一個(gè)你不知道編碼的字符串，那你就無法翻譯或者顯示它。這絕對沒有第二條路可選。

那么當(dāng)你剛剛收到的附件沒有指定編碼格式的時(shí)候，計(jì)算機(jī)會(huì)如何翻譯它呢？這是否意味著你就永遠(yuǎn)也讀不到失去聯(lián)系的老朋友想跟你說的話了呢？在我們找到答案之前，我們首先回到那個(gè)年代————那個(gè)用錢能買到的最大硬盤是29MB的時(shí)代。

歷史回顧

很久以前，計(jì)算機(jī)制造商有自己的表示字符的方式。他們并不需要擔(dān)心如何和其它計(jì)算機(jī)交流，并提出了各自的方式來將字形渲染到屏幕上。隨著計(jì)算機(jī)越來越流行，廠商之間的競爭更加激烈，在不同的計(jì)算機(jī)體系間轉(zhuǎn)換數(shù)據(jù)變得十分蛋疼，人們厭煩了這種自定義造成的混亂。

最終，計(jì)算機(jī)制造商一起制定了一個(gè)標(biāo)準(zhǔn)的方法來描述字符。他們定義使用一個(gè)字節(jié)的低7位來表示字符，并且制作了如上圖所示的對照表來映射七個(gè)比特的值到一個(gè)字符上。例如，字母A是65，c是99，~是126等等， ASCII碼就這樣誕生了。原始的ASCII標(biāo)準(zhǔn)定義了從0到127 的字符，這樣正好能用七個(gè)比特表示。不過好景不長……

為什么選擇了7個(gè)比特而不是8個(gè)來表示一個(gè)字符呢？我并不關(guān)心。但是一個(gè)字節(jié)是8個(gè)比特，這意味著1個(gè)比特并沒有被使用，也就是從128到255的編碼并沒有被制定ASCII標(biāo)準(zhǔn)的人所規(guī)定，這些美國人對世界的其它地方一無所知甚至完全不關(guān)心。

其它國家的人趁這個(gè)機(jī)會(huì)開始使用128到255范圍內(nèi)的編碼來表達(dá)自己語言中的字符。例如，144在阿拉伯人的ASCII碼中是گ，而在俄羅斯的ASCII碼中是ђ。即使在美國，對于未使用區(qū)域也有各種各樣的利用。IBM PC就出現(xiàn)了“OEM 字體”或”擴(kuò)展ASCII碼”，為用戶提供漂亮的圖形文字來繪制文本框并支持一些歐洲字符，例如英鎊（£）符號(hào)。

再強(qiáng)調(diào)一遍，ASCII碼的問題在于盡管所有人都在0-127號(hào)字符的使用上達(dá)成了一致，但對于128-255號(hào)字符卻有很多很多不同的解釋。你必須告訴計(jì)算機(jī)使用哪種風(fēng)格的ASCII碼才能正確顯示128-255號(hào)的字符。

這對于北美人和不列顛群島的人來說不算什么問題，因?yàn)闊o論使用哪種風(fēng)格的ASCII碼，拉丁字母的顯示都是一樣的。英國人還需要面對的問題是原始的ASCII碼中不包含英鎊符號(hào)，但是這個(gè)已經(jīng)無關(guān)緊要了。

與此同時(shí)，在亞洲有更讓人頭疼的問題。亞洲語言有更多的字符和字形需要被存儲(chǔ)，一個(gè)字節(jié)已經(jīng)不夠用了。所以他們開始使用兩個(gè)字節(jié)來存儲(chǔ)字符，這被稱作DBCS（雙字節(jié)編碼方案）。在DBCS中，字符串操作變得很蛋疼，你應(yīng)該怎么做str++或str–？

這些問題成為了系統(tǒng)開發(fā)者的噩夢。例如，MS DOS必須支持所有風(fēng)格的ASCII碼，因?yàn)樗麄兿氚衍浖u到其他國家去。他們提出了「內(nèi)碼表」這一概念。例如，你需要告訴DOS（通過使用”chcp”命令）你想使用保加利亞語的內(nèi)碼表，它才能顯示保加利亞字母。內(nèi)碼表的更換會(huì)應(yīng)用到整個(gè)系統(tǒng)。這對使用多種語言工作的人來說是一個(gè)問題，因?yàn)樗麄儽仨氼l繁的在幾個(gè)內(nèi)碼表之間來回切換。

盡管內(nèi)碼表是一個(gè)好主意，但是它不是一個(gè)簡潔的解決方案，它只是一個(gè)hack技術(shù)或者說是簡單的修正來讓編碼系統(tǒng)可以工作。

進(jìn)入U(xiǎn)nicode的世界

最終，美國人意識(shí)到他們應(yīng)該提出一種標(biāo)準(zhǔn)方案來展示世界上所有語言中的所有字符，以便緩解程序員的痛苦和避免字符編碼引發(fā)的第三次世界大戰(zhàn)。出于這個(gè)目的，Unicode誕生了。

Unicode背后的想法非常簡單，然而卻被普遍的誤解了。Unicode就像一個(gè)電話本，標(biāo)記著字符和數(shù)字之間的映射關(guān)系。Joel稱之為「神奇數(shù)字」，因?yàn)樗鼈兛赡苁请S機(jī)指定的，而且不會(huì)給出任何解釋。官方術(shù)語是碼位(Code Point)，總是用U+開頭。理論上每種語言中的每種字符都被Unicode協(xié)會(huì)指定了一個(gè)神奇數(shù)字。例如希伯來文中的第一個(gè)字母א，是U+2135，字母A是U+0061。

Unicode并不涉及字符是怎么在字節(jié)中表示的，它僅僅指定了字符對應(yīng)的數(shù)字，僅此而已。

關(guān)于Unicode的其它誤解包括：Unicode支持的字符上限是65536個(gè)，Unicode字符必須占兩個(gè)字節(jié)。告訴你這些的人應(yīng)該去換換腦子了。

記住，Unicode只是一個(gè)用來映射字符和數(shù)字的標(biāo)準(zhǔn)。它對支持字符的數(shù)量沒有限制，也不要求字符必須占兩個(gè)、三個(gè)或者其它任意數(shù)量的字節(jié)。

Unicode字符是怎樣被編碼成內(nèi)存中的字節(jié)這是另外的話題，它是被UTF(Unicode Transformation Formats)定義的。

Unicode編碼

兩個(gè)最流行的Unicode編碼方案是UTF-8和UTF-16。讓我們看看它們的細(xì)節(jié)。

UTF-8

UTF-8是一個(gè)非常驚艷的概念，它漂亮的實(shí)現(xiàn)了對ASCII碼的向后兼容，以保證Unicode可以被大眾接受。發(fā)明它的人至少應(yīng)該得個(gè)諾貝爾和平獎(jiǎng)。

在UTF-8中，0-127號(hào)的字符用1個(gè)字節(jié)來表示，使用和US-ASCII相同的編碼。這意味著1980年代寫的文檔用UTF-8打開一點(diǎn)問題都沒有。只有128號(hào)及以上的字符才用2個(gè)，3個(gè)或者4個(gè)字節(jié)來表示。因此，UTF-8被稱作可變長度編碼。

回到文章開始的問題，來自你老朋友的附件的字節(jié)流如下：

這個(gè)字節(jié)流在ASCII和UTF-8中表示相同的字符：HELLO

UTF-16

另一個(gè)流行的可變長度編碼方案是UTF-16，它使用2個(gè)或者4個(gè)字節(jié)來存儲(chǔ)字符。然而，人們逐漸意識(shí)到UTF-16可能會(huì)浪費(fèi)存儲(chǔ)空間，但那是另一個(gè)話題了。

低字節(jié)序(Little Endian)和高字節(jié)序(Big Endian)

Endian讀作End-ian或者Indian。這個(gè)術(shù)語的起源可以追溯到格列佛游記。（小說中，小人國為水煮蛋應(yīng)該從大的一端（Big-End）剝開還是小的一端（Little-End）剝開而爭論，爭論的雙方分別被稱為“大端派”和“小端派”。）

低字節(jié)序和高字節(jié)序只是一個(gè)關(guān)于在內(nèi)存中存儲(chǔ)和讀取一段字節(jié)（被稱作words）的約定。這意味著當(dāng)你讓計(jì)算機(jī)用UTF-16把字母A（占兩個(gè)字節(jié)）存在內(nèi)存中時(shí)，使用哪種字節(jié)序方案決定了你把第一個(gè)字節(jié)放在第二個(gè)字節(jié)的前面還是后面。這么說有點(diǎn)不太容易懂，讓我們來看一個(gè)例子：當(dāng)你使用UTF-16存下來自你朋友的附件時(shí)，在不同的系統(tǒng)中它的后半部分可能是這樣的：

00 68 00 65 00 6C 00 6C 00 6F（高字節(jié)序，高位字節(jié)被存在前面）

68 00 65 00 6C 00 6C 00 6F 00（低字節(jié)序，低位字節(jié)被存在前面）

字節(jié)序方案只是一個(gè)微處理器架構(gòu)設(shè)計(jì)者的偏好問題，例如，Intel使用低字節(jié)序，Motorola使用高字節(jié)序。

字節(jié)順序標(biāo)記(BOM)

如果你經(jīng)常要在高低字節(jié)序的系統(tǒng)間轉(zhuǎn)換文檔，并且希望區(qū)分字節(jié)序，還有一種奇怪的約定，被稱作BOM。BOM是一個(gè)設(shè)計(jì)得很巧妙的字符，用來放在文檔的開頭告訴閱讀器該文檔的字節(jié)序。在UTF-16中，它是通過在第一個(gè)字節(jié)放置FE FF來實(shí)現(xiàn)的。在不同字節(jié)序的文檔中，它會(huì)被顯示成FF FE或者FE FF，清楚的把這篇文檔的字節(jié)序告訴了解釋器。

BOM盡管很有用，但并不是很簡潔，因?yàn)檫€有一個(gè)類似的概念，稱作「魔術(shù)字」(Magic Byte)，很多年來一直被用來表明文件的格式。BOM和魔術(shù)字間的關(guān)系一直沒有被清楚的定義過，因此有的解釋器會(huì)搞混它們。

恭喜你讀到這里，你一定是一個(gè)很有耐心的讀者。

還記得文章開頭的問題嗎，既然沒有「純文本」文件這回事，那你的文本編輯器和瀏覽器為什么每次都能正確的顯示內(nèi)容呢？答案是，那些軟件欺騙了你，這也是為什么那么多人對編碼一無所知。當(dāng)軟件不能確定編碼的時(shí)候，它會(huì)猜測。大部分時(shí)候，它會(huì)猜測是否是涵蓋了ASCII碼的UTF-8，還是ISO-8859-1，也有可能猜其他能想到的任意字符集。因?yàn)橛⑽闹惺褂玫睦∽帜副碓趲缀跛械淖址卸寄茱@示，包括UTF-8，所以即使編碼猜錯(cuò)了，英文字母看起來也是正確的。

但是，如果你在瀏覽網(wǎng)頁時(shí)看到�符號(hào)，這意味著這個(gè)網(wǎng)頁的編碼不是你的瀏覽器猜測的那個(gè)。這時(shí)你可以點(diǎn)開瀏覽器的查看——>字符編碼菜單來嘗試不同的編碼。

總結(jié)

如果你沒時(shí)間讀整篇文章或者你僅僅是略讀了一下前面的內(nèi)容。那請你確保你能理解下面的幾條：

這個(gè)世界上從來沒有純文本這回事，如果你想讀出一個(gè)字符串，你必須知道它的編碼。

Unicode是一個(gè)簡單的標(biāo)準(zhǔn)，用來把字符映射到數(shù)字上。Unicode協(xié)會(huì)的人會(huì)幫你處理所有幕后的問題，包括為新字符指定編碼。

Unicode并不告訴你字符是怎么編碼成字節(jié)的。這是被編碼方案決定的，通過UTF來指定。

還有最重要的：

永遠(yuǎn)記得通過Content-Type或者meta charset標(biāo)簽來顯式指定你的文檔的編碼。這樣瀏覽器就不需要猜測你使用的編碼了，他們會(huì)準(zhǔn)確的使用你指定的編碼來渲染文檔。